随着地理空间数据应用范围的不断扩大，地理信息技术的不断进步，空间数据的类型也变得更加复杂多样，空间数据的“多源性”变得更加凸显。所谓“多源”数据，即不同的应用目的和数据模型、不同的数据采集方法、不同的尺度以及不同时期数据的集合。作为空间数据的“中枢”，同一地区的空间道路网数据常常被不同的主体重复采集，这不仅会造成了人力和财力的浪费，还会引发道路网数据的多时空性、多语义性、多尺度性以及存储格式差异性等问题。为了充分利用现有信息，就需要进行多源的道路网数据的匹配与融合。然而，鉴于道路网数据的海量性特点，建立多源道路网数据的自动匹配算法和融合模型便成为一个重要的研究课题。 目前关于多源道路网数据自动匹配与融合的研究还没有形成完整体系，本文在对传统的算法进行研究的基础上，创建了新的匹配算法和融合模型，很好的解决了多源道路网数据之间匹配与融合的问题，具体研究内容及成果包括： 分析了“多源道路网数据自动匹配与融合”的概念和内涵，研究了多源道路网数据自动匹配算法实现策略和技术流程，提出了一种新的基于“网络结构”比对的多源道路网数据自动匹配算法。算法采用局部分析与整体分析相结合的方式，建立了标准化的数据预处理流程，并在匹配运算中充分利用道路要素间的空间上下文关系与拓扑结构，实现了道路高密集区域以及不同比例尺道路网间的精确匹配；此外，本文将“地图综合”的理论方法融入到匹配算法中，构建了“道路元”导向的匹配运算流程，解决了复杂的环形交叉口、双向平行车道等采用传统匹配算法很难解决的特殊匹配问题。在多个区域匹配测试中，算法匹配率达到了97.5%，匹配准确率将近99.3%，匹配速率约为122.8 km（491对象）/秒，在之后的多次实验匹配速率也在该数值上下浮动，稳定在125km（500对象）/秒左右。所创建的多源道路网数据自动匹配算法同时具有匹配成功率高、准确率高、运算速度快以及通用性强等诸多优点。 以道路网匹配算法为基础，针对道路自身属性信息、道路交叉口信息、道路几何实体以及道路配套设施信息等四种不同的道路网数据分别创建了各自的融合模型。在道路自身属性信息的融合模型中，首先根据道路属性信息的表达特征将其划分为名称类、长度类和方向类，在数据传递过程中，不同类别的道路属性信息需要采取不同的融合方法；在道路交叉口信息的融合模型中，定义了一种新的“伪1:1”的对应关系，简单而直接的实现了道路交叉口信息的全面融合；在道路几何实体的融合模型中，设计了三步骤的工作流程实现了对“需要被融合的实体道路”的判别、位移、几何变形与传递及融合；在道路配套设施信息的融合模型中，首先通过对“匹配对”的内插处理，在设定空间区域内建立了海量的对应控制点，接着，采用“Rubber Sheeting”方法对这些数据的位置进行优化调整，并根据“匹配对儿”的对应关系进行相关属性信息的转移。通过这四种融合模型的建立，全面实现了不同矢量道路网数据集之间的相互传递和无缝连接。 建立了遥感影像和矢量道路网的自动融合模型。该模型基于机器学习中的卷积神经网络方法搭建了遥感影像数据的道路网提取框架；针对卷积神经网络模型中的标记样本获取困难且样本获取方式通用性差等问题，利用开源的OpenStreetMap矢量道路网数据构建了标记样本数据的自动化获取流程，并通过对海量样本数据的训练学习，实现了高分遥感影像道路网数据的精准提取。实验选取洛斯巴诺斯城区和郊区HRO （High Resolution Orthoimagery）遥感影像，分别采用所构建的卷积神经网络模型对其中的路网进行提取，模型提取的平均完整率达到92.9%、正确率超过93.4%。将提取路网与矢量道路网进行匹配融合显示出遥感影像与矢量道路网融合模型的优良性能，其“整体准确率”接近99.8%，“融合准确率”超过99.7%。 综上所述，本文旨在研究匹配通用性强、成功率/准确率高的多源道路网数据自动匹配算法与融合模型。本文的研究不仅能将对“多源道路网数据自动匹配”的探索研究推向新的高度，还将全面拓展其在“多源道路网数据自动融合”领域内的实际应用。 |
学校主站